视频监控已在众多领域得到广泛应用，利用视频挖掘技术可以从海量视频数据中提取特征、进行有效的分析、发现高层语义知识和模式，实现对监控视频的自动化和智能化应用。目前，国内外对监控视频挖掘的研究刚刚起步，一些关键性问题如监控视频数据的特征提取、事件检测等尚未得到有效的解决。视频挖掘是从大量视频集中，发现有效的、新颖的、隐含的、有价值的、可理解的模式，即知识。从中得出事件的关联和趋向，为用户提供问题求解层次的辅助能力。视频挖掘的具体技术可以分为两种：视频结构挖掘和视频运动挖掘。视频结构挖掘，针对有结构的视频，以某种算法将视频划分为几个层次的结构单元，提取每个层次结构的可用特征和结构单元本身特征，最后根据各层次单元的相似性或其他规则，获得其构造模式以及体现的语义信息。视频运动挖掘，从视频中分割、跟踪运动对象，在这个过程中提取运动对象的本质特征和运动特征，以及这些特征之间的特征关联规则或者时空关系，得到运动对象特征的含义或者其行为趋向和事件模式，由此挖掘视频表达的高层语义信息。本文针对非结构化的场景监控视频，运用视频运动挖掘技术思路，从视频中提取视频对象，跟踪其运动，结合时间特性形成时间序列数据，并对其进行摘要生成、聚类和异常检测，实现了对监控视频数据进行挖掘的目的。本文主要在以下几个方面进行了创新性研究工作：1）研究视频特征提取方法。提出基于帧差的背景更新算法和基于运动的时间序列提取算法，将视频的特征，以数据序列的形式表示出来，为后续视频摘要提取、聚类和异常检测提供保障。2）研究视频摘要提取方法。提出基于小波变换的视频摘要提取算法，该算法可以形成多尺度的视频摘要，解决了以往不同情况下，对视频摘要长度不同需求的问题。3）为减少人工查找视频异常情况的开销，提出基于K-均值算法的异常检测算法，通过理论分析和实验，验证了算法的有效性和优越性。